随着网络技术和互联网的迅速发展，网络应用的普及化程度越来越高，网络上传输的数据量激增。为了充分发挥网络资源的作用，科学合理管理网络的重要性日益凸显。利用网络监控实现网络的监测、控制和管理是掌握用户网络状态、处置网络不当行为的有效途径。目前，网络监控领域已有一些较为成熟的网络监控技术和商用产品，但是在智能化监测和管理方面还需进一步加强，在限制网络功能和保证网络完整功能及顺畅运行两方面还需寻求平衡点。因此，如何根据用户网络访问的实时状态精确分析用户行为，在用户访问行为违反网络管理规定时，通过实时决策判断采取适当的响应，是一个具有现实研究与应用价值的问题。　　 本文就监控模型、触发响应机制、混合型数据模糊聚类及其在网络监控中的应用等问题进行了研究，主要工作包括以下几个方面：　　 （1）设计了基于聚类的触发式网络监控的结构模型。该模型将系统划分为网络用户层、实时监控层、数据分析层、触发控制层、前端应用管理层等五个层次。数据分析流程明确数据的处理与交换的步骤和相互关系，将数据处理分为信息采集、数据初步分析、数据聚类、结论确定和响应阶段，依靠各模块实现各阶段的任务和功能。模型各部件分布式部署，可各自承担数据处理和传输存储任务，提高整体运行效率。　　 （2）鉴于网络传输的数据具有传输量大、实时性高等特点，提出一种新的触发式机制和聚类分析的方法。触发式机制分为粗粒度触发响应和细粒度触发响应。触发式机制和聚类分析在网络监控中用于实现从海量数据中监测关键信息，有针对性地缩小范围，分析用户行为，以便较好地适应网络监控的环境和特点。　　 （3）提出了动态增删自组织映射（Dynamic Growth and Delete Self-Organizing Maps，DGDSOM）聚类模型。该模型最大特点在于竞争层的网络结构在网络训练过程中逐步建立，并且通过动态评价、反馈而增删神经元节点，使网络结构更趋于合理。　　 （4）根据DGDSOM模型的设计思想，提出了模糊动态增删自组织映射（Fuzzy Dynamic Growth and Delete Self-Organizing Maps，FDGDSOM）聚类算法，该算法结合网络监控的需求，能够处理数值、统计值、类别等混合特征的数据，动态生成和删除聚类节点，以较少的迭代次数得到更趋于优化的聚类结果。　　 （5）在现实网络环境中，随机选取多种网络行为的实时数据，统计分析这些行为表现的数值特征或变化趋势，选取了用于聚类分析的10个属性特征，为得出较好的聚类结果做了较充分的准备工作。实验测试表明，本文提出的触发式监控对于用户行为的响应正确率较高，FDGSSOM聚类算法得到了信任度较高的聚类结果并在网络监控中较好应用。　　 本文研究和设计了基于聚类的触发式网络监控模型，结合网络监控的实际应用，提出了DGDSOM聚类模型和FDGDSOM聚类算法，引入触发式机制设计了触发模块，能够根据实时网络行为做出智能化判断和决策，实验测试表明了本文网络监控的设计与实现在现实网络环境中的实用性。综上所述，本文的研究具有一定的应用价值。